塞多纳

`html

本文档概述了 Apache Sedona 和 Mitsuba 3，这两个不同的项目分别专注于空间计算和渲染。 Apache Sedona 是一个用于大规模数据分析的强大空间计算引擎，而 Mitsuba 3 是一个面向研究的渲染系统，提供高性能和可微分性。这两个项目都提供广泛的文档和社区支持。

加入社区

在 Twitter 上关注 Sedona 以获取最新消息：Sedona@Twitter

加入 Sedona Discord 社区：

加入塞多纳每月社区办公时间：Google 日历，太平洋时间周二上午 8 点至上午 9 点，每 4 周一次

Sedona JIRA：错误、拉取请求和其他类似问题

Sedona 邮件列表：[email protected]：项目开发、一般问题或教程。

阿帕奇塞多纳是什么？

Apache Sedona™ 是一种空间计算引擎，使开发人员能够在 Apache Spark 和 Apache Flink 等现代集群计算系统中轻松处理任何规模的空间数据。

Sedona 开发人员可以使用 Spatial SQL、Spatial Python 或 Spatial R 来表达他们的空间数据处理任务。在内部，Sedona 提供空间数据加载、索引、分区和查询处理/优化功能，使用户能够高效地分析任何规模的空间数据。

特征

Apache Sedona 的一些主要功能包括：

这些是 Apache Sedona 的一些关键功能，但它可能会根据特定版本和配置提供其他功能。

单击并立即播放交互式 Sedona Python Jupyter Notebook！

何时使用塞多纳？

使用案例：

Apache Sedona 是一种广泛使用的空间数据处理框架，它有许多不同的用例和应用程序。 Apache Sedona 的一些主要用例包括：

代码示例：

此示例将 AWS S3 上以 .CSV 文件形式存储的纽约市出租车行程记录和出租车区域信息加载到 Sedona 空间数据帧中。然后，它对出租车行程数据集执行空间 SQL 查询，以过滤掉除纽约曼哈顿地区之外的所有记录。该示例还显示了一个空间连接操作，该操作根据出租车行程是否位于区域的地理范围内将出租车行程记录与区域进行匹配。最后，最后一个代码片段将 Sedona 与 GeoPandas 的输出集成，并绘制两个数据集的空间分布。

从 AWS S3 上存储的 CSV 文件加载纽约市出租车行程和出租车区域数据

空间 SQL 查询仅返回曼哈顿的出租车行程

出租车数据框和区域数据框之间的空间连接以查找每个区域中的出租车

使用 GeoPandas 显示加载的空间数据帧的地图

Docker镜像

我们为 Apache Sedona 提供了一个带有 Python JupyterLab 和单节点集群的 Docker 镜像。这些图像可在 DockerHub 上获取

建设塞多纳

要安装 Python 包：

编译源码请参考Sedona网站

源代码中的模块

文档

请访问 Apache Sedona 网站了解详细信息

供电

例子：

三叶渲染器 3

文档	教程视频	Linux	苹果系统	视窗	皮伊

️

警告

️

目前，大量无证且不稳定的工作正在进行

master分支。我们强烈建议您使用我们的

最新版本

直至另行通知。

如果您已经想尝试即将发生的更改，请查看

本移植指南。

它应该涵盖大部分新功能和即将到来的重大变化。

介绍

Mitsuba 3 是一款面向研究的前向光和逆向光渲染系统

瑞士洛桑联邦理工学院 (EPFL) 开发的交通模拟。

它由一个核心库和一组实现功能的插件组成

从材质和光源到完整的渲染算法。

Mitsuba 3 是可重定向的：这意味着底层实现和

数据结构可以转换以完成各种不同的任务。为了

例如，相同的代码可以模拟标量（经典的一次一束）RGB 传输

或 GPU 上的差分光谱传输。这一切都建立在

Dr.Jit，专门为此项目开发的专用即时(JIT) 编译器。

主要特点

• 跨平台：Mitsuba 3 已在 Linux ( x86_64 )、macOS 上进行测试

  （ aarch64 、 x8664 ）和 Windows ( x8664 )。

• 高性能：底层Dr.Jit编译器融合渲染代码

  进入内核，使用实现最先进的性能

  针对 CPU 的 LLVM 后端和 CUDA/OptiX 后端

  针对具有光线追踪硬件加速功能的 NVIDIA GPU。

• Python优先：Mitsuba 3与Python深度集成。材料，

  纹理，甚至完整的渲染算法都可以用Python开发，

  系统即时编译（并可选择区分）。

  这使得计算机图形学研究所需的实验成为可能

  其他学科。

• 差异化：Mitsuba 3 是一个可微分渲染器，这意味着它

  可以计算整个模拟相对于输入的导数

  参数，例如相机姿态、几何形状、BSDF、纹理和体积。它

  实现了 EPFL 最近开发的可微分渲染算法。

• 光谱和偏振：Mitsuba 3 可用作单色仪

  渲染器、基于 RGB 的渲染器或光谱渲染器。每个变体都可以

  如果需要的话，可以选择考虑极化的影响。

教程视频、文档

我们录制了几个 YouTube 视频，提供了温和的介绍

三叶 3 和 Dr.Jit。除此之外，您还可以找到完整的 Juypter 笔记本

涵盖各种应用程序、操作指南和参考文档

阅读文档。

安装

我们通过 PyPI 提供预编译的二进制轮。以这种方式安装三叶就像运行一样简单

pip安装三叶

在命令行上。 Python 包默认包含 13 个变体：

• scalar_rgb

• scalar_spectral

• scalarspectralpolarized

• llvmadrgb

• llvmadmono

• llvmadmono_polarized

• llvmadspectral

• llvmadspectral_polarized

• cudaadrgb

• cudaadmono

• cudaadmono_polarized

• cudaadspectral

• cudaadspectral_polarized

前两个使用 RGB 执行经典的一次一条光线模拟

或光谱颜色表示，而后两者可用于反演

在 CPU 或 GPU 上渲染。要访问其他变体，您需要

使用 CMake 编译 Dr.Jit 的自定义版本。请参阅

文档

有关详细信息。

要求

• Python >= 3.8

• （可选）对于 GPU 上的计算： Nvidia driver >= 495.89

• （可选）对于 CPU 上的矢量化/并行计算： LLVM >= 11.1

用法

这是一个简单的“Hello World”示例，展示了渲染一个

使用 Python 中的 Mitsuba 3 的场景：

 # 使用别名“mi”导入库 import mitsuba as mi# 设置渲染器的变体mi.setvariant('scalarrgb')# 加载场景scene = mi.loaddict(mi.cornellbox())# 渲染场景img = mi. render(scene)# 将渲染图像写入EXR文件mi.Bitmap(img).write('cbox.exr')

可以找到涵盖各种应用程序的教程和示例笔记本

在文档中。

关于

该项目由 Wenzel Jakob 创建。

代码的重要功能和/或改进由以下人员贡献

塞巴斯蒂安·施派尔,

尼古拉斯·罗塞尔，

梅林·尼米尔-大卫，

德里奥·维西尼,

蒂齐安·泽尔特纳,

巴蒂斯特·尼科莱特,

米格尔·克雷斯波,

文森特·勒罗伊，和

张子怡.

在学术项目中使用 Mitsuba 3 时，请引用：

 @software{Mitsuba3，标题 = {Mitsuba 3 渲染器}，作者 = {Wenzel Jakob 和 Sébastien Speierer 和 Nicolas Roussel 和 Merlin Nimier-David 和 Delio Vicini 和 Tizian Zeltner 和 Baptiste Nicolet 和 Miguel Crespo 和 Vincent Leroy 和 Ziyi Zhu}，注= {https://mitsuba-renderer.org}，版本 = {3.1.1}，年份 = 2022}

`